如何通过管道将多个文件从循环导入tesseract-ocr

Question

我正在寻找一种方法，以顺序添加文件(PNG输入文件)到一个ocr的PDF (通过tesseract-3)。这个想法是扫描PNG，优化它(optipng)，并通过流将其提供给tesseract，这会将其添加到不断增长的PDF中。两次扫描之间的时间间隔是20-40秒，并且扫描次数会达到数百秒，这就是为什么我希望使用两次扫描之间的等待时间来进行OCR。

我想象它是这样工作的：

while ! $finished
do
  get_scanned_image_to_png_named_scannumber
  optipng $scannumber.png
  check_for_finishing_condition #all this works fine already
  sleep 30s
  #do some magic piping into a single tesseract instance here
done #or here?

这样做的灵感来自这里：

https://github.com/tesseract-ocr/tesseract/wiki/FAQ#how-to-ocr-streaming-images-to-pdf-using-tesseract

非常感谢你的任何提示，

Joost

编辑：

操作系统: OpenSuse Tumbleweed

扫描:更多的是一系列的“图像采集”，导致每个PNG (不是真正的扫描仪)；至少持续几个小时。

FollowUp:这种方式在执行以下操作时有效

while ! $finished
do
  get_scanned_image_to_png_named_scannumber
  optipng $scannumber.png
  check_for_finishing_condition #all this works fine already
  sleep 30s

  echo "$capnum.png"

done | tesseract -l deu+eng -c stream_filelist=true - Result pdf

，尽管当您尝试在两次扫描添加之间打开PDF或使用Ctrl-C组合键停止此循环时，PDF已损坏。我没有看到一种方法来获得一个未损坏的PDF。

Answer 1

试试这个：

while ! $finished
do
  get_scanned_image_to_png_named_scannumber
  optipng $scannumber.png
  check_for_finishing_condition #all this works fine already
  sleep 30s
done | tesseract -c stream_filelist=true - - pdf > output.pdf